Fugu-MT 論文翻訳(概要): StratMed: Relevance Stratification for Low-resource Medication Recommendation

論文の概要: StratMed: Relevance Stratification for Low-resource Medication Recommendation

arxiv url: http://arxiv.org/abs/2308.16781v2
Date: Tue, 5 Sep 2023 08:37:14 GMT
ステータス: 処理完了
システム内更新日: 2023-09-07 02:08:58.250405
Title: StratMed: Relevance Stratification for Low-resource Medication Recommendation
Title（参考訳）: StratMed:低リソース医療勧告のための関連戦略
Authors: Xiang Li, Shunpan Liang, Tengfei Ma, Yulei Hou
Abstract要約: StratMedは、革新的な関連性階層化機構を組み込んだモデルである。データの長期分布における相違を調和させ、医薬品の組み合わせの安全性と精度のバランスをとる。 MIMIC-IIIデータセットを用いた実験により,本手法は4つの評価指標において,現在の最先端手法よりも優れていることが示された。
参考スコア（独自算出の注目度）: 9.296433860766165
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the growing imbalance between limited medical resources and escalating demands, AI-based clinical tasks have become paramount. Medication recommendation, as a sub-domain, aims to amalgamate longitudinal patient history with medical knowledge, assisting physicians in prescribing safer and more accurate medication combinations. Existing methods overlook the inherent long-tail distribution in medical data, lacking balanced representation between head and tail data, which leads to sub-optimal model performance. To address this challenge, we introduce StratMed, a model that incorporates an innovative relevance stratification mechanism. It harmonizes discrepancies in data long-tail distribution and strikes a balance between the safety and accuracy of medication combinations. Specifically, we first construct a pre-training method using deep learning networks to obtain entity representation. After that, we design a pyramid-like data stratification method to obtain more generalized entity relationships by reinforcing the features of unpopular entities. Based on this relationship, we designed two graph structures to express medication precision and safety at the same level to obtain visit representations. Finally, the patient's historical clinical information is fitted to generate medication combinations for the current health condition. Experiments on the MIMIC-III dataset demonstrate that our method has outperformed current state-of-the-art methods in four evaluation metrics (including safety and accuracy).
Abstract（参考訳）: 限られた医療資源と需要の増大の間の不均衡が増し、AIベースの臨床タスクが最重要になっている。医薬推奨は、医療知識と縦断患者の歴史を融合させることを目的としており、医師がより安全で正確な薬品の組み合わせを処方するのを手助けしている。既存の手法では、頭部と尾部のデータのバランスの取れた表現が無く、医用データの固有長テール分布を見落としている。この課題に対処するために、革新的な関連性階層化機構を組み込んだモデルであるStratMedを紹介する。データの長期分布における相違を調和させ、医薬品の組み合わせの安全性と精度のバランスをとる。具体的には,まず,深層学習ネットワークを用いた事前学習手法を構築し,エンティティ表現を得る。その後,不人気エンティティの特徴を補強することにより,より一般化したエンティティ関係を得るために,ピラミッド型データ階層化手法を設計する。この関係に基づき,医薬の精度と安全性を同時に表現し,訪問表現を得るための2つのグラフ構造を設計した。最後に、患者の過去の臨床情報は、現在の健康状態の薬剤の組み合わせを生成するために適合する。 MIMIC-IIIデータセットを用いた実験により,本手法は4つの評価指標(安全性と精度を含む)において,最先端の手法よりも優れていることが示された。

関連論文リスト

Enhancing Performance for Highly Imbalanced Medical Data via Data Regularization in a Federated Learning Setting [6.22153888560487]
本手法の目的は,心血管疾患予測のためのモデル性能を向上させることである。本手法は, 心臓血管疾患予測のための4つのデータセットにまたがって評価され, 異なるクライアントに分散している。
論文参考訳（メタデータ） (2024-05-30T19:15:38Z)
Leveraging Federated Learning for Automatic Detection of Clopidogrel Treatment Failures [0.8132630541462695]
本研究では,クロピドッグレル処理障害検出のためのフェデレーション学習戦略を活用する。地理的中心に基づいてデータを分割し,フェデレート学習の性能を評価した。クロピドッグレル治療障害検出におけるフェデレート学習の可能性について検討した。
論文参考訳（メタデータ） (2024-03-05T23:31:07Z)
CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity Learning [10.60553153370577]
医薬推奨は、患者の長期医療記録を統合し、正確で安全な薬品の組み合わせを提供することを目的としている。既存の方法では、疾患や引き金や薬物の真の因果関係を深く探ることができないことが多い。因果推論駆動型デュアルグラニュラリティメディケーション勧告法(CIDGMed)を提案する。
論文参考訳（メタデータ） (2024-03-01T08:50:27Z)
Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
論文参考訳（メタデータ） (2023-10-23T19:59:10Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文参考訳（メタデータ） (2023-01-14T15:07:43Z)
SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
論文参考訳（メタデータ） (2022-06-20T14:53:25Z)
Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文参考訳（メタデータ） (2022-05-19T17:34:18Z)
Transformer-based unsupervised patient representation learning based on medical claims for risk stratification and analysis [3.5492837081144204]
トランスフォーマーベースのマルチモーダルオートエンコーダ(TMAE)は,クレームデータから有意義な情報を符号化することで,効率的な患者表現を学習することができる。我々は,60,000人以上の患者を対象とする実世界の小児検診データセットを用いてTMAEを訓練した。
論文参考訳（メタデータ） (2021-06-23T21:29:50Z)
Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology [0.0]
現在の戦略はモデルインフォームドドッキングテーブルで構成されている。ベイジアンデータ同化と/または強化学習を併用したMIPDのための新しい3つのアプローチを提案する。これらのアプローチは、致命的グレード4と治療下グレード0のニュートロピーの発生を著しく減少させる可能性がある。
論文参考訳（メタデータ） (2020-06-01T16:38:27Z)
Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。感染発生率の低減に向けた意思決定を支援することを目的とする。
論文参考訳（メタデータ） (2020-05-07T16:13:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。